玻尔百科在科学、政策和日常生活中，面对不完整信息做出决策是一项持续的挑战。然而，“未知”的性质远非单一；它涵盖了从可计算的风险到深奥的、无法量化的不确定性。无论是在评估一项新技术还是在管理一场生态危机时，未能区分这些状态都可能导致糟糕的选择。本文旨在通过提供一个结构化框架来理解和驾驭未知，从而填补这一关键空白。文章首先描绘了不确定性的不同领域，从可量化的风险到深度的无知，并介绍了为管理它们而发展出的核心原则。随后，本文将展示这些理论概念如何在生物学、生态学、医学和环境政策的真实世界场景中应用，为在一个不可预测的世界中做出更明智、更负责任的选择提供指南。
想象一下，你正要过马路。你向左看，向右看。你看到一辆车驶来。你估算它的速度和距离、你自己的步行速度以及路的宽度。你快速进行了一次计算——一次潜意识的风险评估——然后决定过马路是否安全。现在想象一下，天正下着雾。你能听到汽车的声音，但看不清楚。你的决定变得更加困难。再想象一下，你身处一个陌生的国家，那里的某些车辆完全无声，并且以不可预测的方式行驶。现在，这个问题变成了一个深层次不确定性的问题。
在科学、政策和日常生活中，我们不断面临着信息不完整时做决策的挑战。但正如我们过马路的故事所揭示的，“未知”并非一种单一的状态。它有不同的类型，而理解这些区别是迈向智慧的第一步。本章的旅程是绘制一幅“未知”的地图，学习驾驭它的原则，并观察这些思想如何塑造我们的世界，从宏大的生态政策到私人的医疗决策。
让我们首先绘制一张包含三个主要领域的地图。这些类别有助于我们清晰地思考我们无知的本质，以及我们可以使用哪些工具来应对它。
第一个领域是风险。可以把它想象成一个赌场。游戏可能很复杂，但规则是已知的。我们知道所有可能的结果——轮盘上的每个数字，牌堆里的每张牌——而且至关重要的是，我们知道确切的概率。我们无法预测单次轮盘转动的结果，但我们可以计算出长期的预期收益（或者更可能是损失）。在科学世界里，风险情境是指我们有足够的数据和可靠的模型来为结果分配概率。例如，在评估一种新农药时，我们可能会进行数十次田间试验。这些试验可能会告诉我们，非目标蜜蜂的平均死亡率约为 ，置信区间为 在 到 之间。我们不知道任何一只特定蜜蜂的确切结果，但我们对这个问题有了概率上的把握。这使我们能够使用成本效益分析等工具，或计算预期损失，从而指导我们是否批准该农药的决定。
第二个领域是奈特不确定性（Knightian Uncertainty），以经济学家 Frank Knight 的名字命名。在这里，景象更加模糊。我们可能知道可能的结果，但我们无法为它们分配可靠的概率。想象一下，我们想将一种树木迁移到一个新的、更适宜的气候中，以使其免于灭绝——这种做法被称为辅助迁移。我们可以列出各种大的可能性：这些树可能无法在新环境中立足，它们可能良性地存活下来，或者它们可能成为入侵物种，对新的生态系统造成严重破坏。不同的科学模型，基于不同的假设，可能会给出截然不同的预测。没有一个单一的、公认的概率分布。我们有一系列貌似合理的未来情景，但我们不知道每种情景的几率。标准的期望值计算在这里失效了。我们需要不同的策略，这些策略寻求在所有貌似合理的未来中都具有稳健性，而不是在某个假定的未来中达到最优。
第三个也是最狂野的领域是无知。在这里，我们面临着可怕的“未知的未知”。我们甚至不知道所有可能结果的完整列表。这是真正意外的领域。考虑一下在一个岛屿上向入侵的啮齿动物种群中释放“基因驱动”的提议。基因驱动是一种基因工程技术，旨在通过种群迅速传播，或许是为了抑制其数量。虽然预期的效果很明确，但其意想不到的后果，就其本质而言，是难以预见的。吃了这些啮齿动物的捕食者会怎么样？当啮齿动物消失后，土壤会发生什么变化？基因驱动能否以某种方式逃离该岛并传播到大陆种群？所有可能的生态级联效应的集合是无法在事前可靠地列举出来的。在这里，我们的标准工具完全失效，我们必须依赖我们最谨慎的原则。
这张风险、不确定性和无知的地图为我们提供了一种对问题进行分类的方法。但要真正理解如何行动，我们需要从另一个角度看待不确定性：它的来源是什么？在这里，我们发现了一个优美而有用的区别，即两种基本类型的不确定性：偶然不确定性和认知不确定性。
偶然不确定性（Aleatory uncertainty）源自拉丁词 alea，意为“骰子”。它是世界固有的、不可简化的随机性——自然界的骰子掷出的结果。想象一下风中花粉的随机路径、捕食者与猎物的偶然相遇，或者下一次风暴的确切时间与强度。无论我们对这些系统研究得多深入，我们都永远无法确定地预测它们的具体结果，因为它们本质上是随机的。这是宇宙的“偶然”成分。我们无法通过收集更多数据来减少偶然不确定性，但我们可以管理它。我们使用随机模型来理解结果的范围和可能性，并设计具有缓冲和冗余的系统，以应对这种固有的变异性。
认知不确定性（Epistemic uncertainty）则源自希腊词 episteme，意为“知识”。这是一种源于我们自身知识缺乏的不确定性。它是引力常数的真实值、基因突变的确切适应性成本，或描述一个种群的模型的正确数学结构中的不确定性。这是我们可以减少的不确定性。通过进行更多实验、收集更多数据和建立更好的模型，我们可以逐渐消除我们的无知，并逼近世界的真实状态。例如，如果我们不确定一个生物学参数，如基因驱动产生抗性的概率 ，我们可以进行更多的实验室实验来测量它。随着我们数据的增多，我们对 的不确定性就会减小。
这种区别非常实用。它告诉我们应该把努力集中在哪里。对于一个岛屿上的基因驱动项目，啮齿动物被随机风暴带离岛屿的风险是偶然性的；我们通过选择远离海岸的释放地点来管理它。关于该驱动的适应性成本的不确定性是认知性的；我们通过在全面释放前进行仔细的半野外试验来减少它。
有了这些概念工具，我们如何以一种规范的方式将它们付诸实践呢？几十年来，科学家和监管机构开发了一种正式的流程，一种用于分析环境威胁的秘诀，称为生态风险评估（ERA）。 它通常分三幕展开。
第一幕：问题界定。 这是最关键的阶段。我们问两个问题：首先，“我们到底想保护什么？”这引出了评估终点的定义——即具体的、可测量的生态属性，如“白头海雕的繁殖成功率”或“本地蜉蝣的种群丰度”。其次，“伤害可能如何发生？”这涉及到绘制一个概念模型，它是一种流程图，将压力源（如化工厂）通过暴露途径（如废水排入河流）与我们关心的受体和终点联系起来。这一步将一个模糊的担忧转化为一组可检验的假设。
第二幕：分析。 这是侦探工作。它在两条平行的轨道上进行。暴露分析提问：有多少压力源到达了我们的受体？它测量或预测暴露的浓度和持续时间。效应分析（或压力-响应分析）提问：在给定浓度下，压力源的危害有多大？这通常通过实验室毒性测试来确定。
第三幕：风险表征。 在这里，我们将所有信息整合起来。我们综合暴露和效应信息，得出关于我们评估终点风险的结论。但至关重要的是，这不仅仅是一个简单的“是/否”答案。一个好的风险表征不仅清晰地描述了最可能的结果，还描述了围绕它的不确定性。
在最后一幕中常用的一个工具是风险表征比率（RCR），或称风险商。这是一个简单而强大的概念： PEC 是我们从第二幕中得到的暴露量的最佳估计值。PNEC 是我们对不会造成不可接受伤害的最高浓度的最佳估计值。如果 小于 ，则暴露量低于“安全”阈值，我们可以松一口气。如果大于 ，那么我们就有问题了。
但如果 PEC 和 PNEC 都不确定呢？想象一下，我们正在评估一种用于生物反应器的新微生物。 我们的模型可能告诉我们，PEC 大约在 左右，但它也可能合理地更高或更低。同样，我们关于 PNEC 的毒性数据可能表明阈值为 ，但这同样是不确定的。当我们用一个不确定的数除以另一个不确定的数时，不确定性会传播。在这个真实世界的例子中， 的中心趋势（几何平均值）计算结果约为 。这看起来不错！它小于 。但当我们正确计算这个比率的 不确定性区间时，我们发现它的范围从大约 一直延伸到 。
这是一个令人警醒的结果。它意味着虽然最可能的结果是安全的，但存在一个不小的机会——概率大于 ——即真实的风险比率大于 ，甚至可能接近 ！这就是依赖简单平均值的危险所在。一个负责任的决策者，看到不确定性区间与 大量重叠，就不能简单地批准该项目。相反，他们必须采取行动，要么减少暴露（增加更多过滤器），要么减少不确定性（收集更多数据），直到他们能够确信风险是可接受的。
当我们面临这些困难的决策，特别是那些涉及高风险和深度不确定性的决策时，我们需要的不仅仅是一个秘诀。我们需要指导原则。环境政策已经发展出一套复杂的此类原则，以帮助我们导航。
最直接的是预防原则（Prevention Principle）。它适用于已知的危害。我们知道油漆中的铅有毒。预防原则说：不要在油漆中使用铅。这是一个基于已确立的因果关系的主动原则。我们采取行动，从源头上防止损害。
接下来是标准风险管理（Standard Risk Management）。这是我们的 RCR 计算和成本效益分析的领域。它适用于可量化的风险——我们地图上的“风险”领域。我们评估概率和后果，如果计算出的风险被认为是“可接受的”（一个社会判断），我们可能会在采取缓解措施和监测的情况下继续进行。
但是，当伤害可能是灾难性的、不可逆转的，而科学又存在深度不确定性时，我们该怎么办？为此，我们拥有最强大，有时也最具争议的原则：预防原则（Precautionary Principle）。在其最著名的表述中，它指出：“当一项活动对人类健康或环境构成威胁时，即使某些因果关系尚未得到科学的充分证实，也应采取预防措施。”
这是对通常举证责任的深刻颠覆。通常情况下，监管机构必须证明某物有害才能对其进行限制。预防原则则表示，对于某类威胁——那些既貌似合理又可能严重或不可逆的威胁——活动的提议者必须证明它是安全的。考虑深海采矿的提议。那里的生态系统古老，生命形式生长缓慢，而我们的知识又很稀少。造成不可逆转伤害的可能性，例如独特物种的灭绝，非常高。在这种高不确定性和高风险的情况下，预防原则要求谨慎，甚至可能暂停活动，直到我们的知识有所提高。这是“安全总比后悔好”的正式体现。
这个科学预防的理念并不仅仅是一个抽象的政策概念。它诞生于科学家们对自己创造物力量的深刻反思。让我们回到1975年，加利福尼亚海岸的一个会议中心：Asilomar。 一项名为重组DNA的新技术刚刚被发明出来，赋予了科学家从一个生物体中剪切和粘贴基因到另一个生物体的能力。这是一种充满巨大希望，但也潜藏未知危险的力量。
世界顶尖的分子生物学家聚集在一起，不是为了庆祝他们的成就，而是为了提出一个发人深省的问题：“风险是什么？”他们正凝视着无知的领域。他们会不小心创造出一种新的瘟疫吗？一个被设计带有致癌病毒基因的细菌会逃离实验室吗？他们不知道。在一项前所未有的集体责任行动中，他们已经呼吁自愿暂停最令人担忧的实验。在 Asilomar，他们聚集在一起，为未来绘制蓝图。
他们使用的逻辑可以用一个简单但强大的2x2矩阵来概括，该矩阵描绘了潜在危害的严重性与科学不确定性的水平。
Asilomar 会议是一个里程碑式的时刻。这是预防原则在行动，由科学家们应用于自身。它为至今仍在沿用的生物技术治理奠定了基础，这个框架建立在“强大的力量伴随着管理不确定性的深远责任”这一理念之上。
今天，我们面临的挑战甚至更加复杂。我们已经从细菌中的单个基因，发展到编辑整个生态系统，并与气候变化等全球性问题作斗争。风险管理的前沿已经推进到更具挑战性的概念领域。
这样一个前沿是深度不确定性（Deep Uncertainty）。 它发生在我们不仅不知道概率，而且专家们对系统如何运作也存在根本分歧的情况下。对于一个拟议的潮汐能项目，一组科学家可能使用关注单物种种群动态的模型，而另一组则使用与多物种生命阶段相结合的复杂流体动力学模型。这些模型可能给出完全不同的答案。更糟糕的是，不同的利益相关者有不同的价值观。一些人优先考虑最大化清洁能源发电，而另一些人则优先考虑最小化对生物多样性的任何影响。没有单一的“正确”模型，也没有单一的“正确”价值观。
应对深度不确定性的现代方法是停止寻找单一的“最优”政策。这是一种徒劳的尝试。相反，我们拥抱多元性。我们使用一组貌似合理的模型（）和一组貌似合理的利益相关者权重（）来分析问题。目标是找到一个稳健的政策——一个在广泛的可能未来和不同价值体系中都表现得相当不错的政策。它在任何一个单一的想象未来中可能不是绝对最好的，但它在所有未来中都能避免灾难。这是从最优化到韧性的转变。
最后，风险和不确定性的管理不仅关乎模型和政策，也关乎人。它具有深刻的人性和伦理维度。考虑一下将体外受精（IVF）中多余的胚胎捐赠用于研究的同意过程。 这项研究可能涉及基因编辑，这是一项我们知道存在脱靶效应和其他意外结果风险的技术。我们对脱靶编辑风险的最佳估计可能在 到 之间。这是第一阶不确定性。
但是，如果我们也知道这个估计值——源自细胞系实验——对于真实的人类胚胎可能不是很准确呢？这是第二阶不确定性——关于我们不确定性的不确定性。我们是否有道德义务不仅告诉胚胎捐赠者风险本身，还要告诉他们我们风险估计的不可靠性？
尊重个人（Respect for Persons）的核心伦理原则要求我们这样做。如果一个人被给予一种虚假的确定感，他们就无法给出真正知情的同意。隐瞒我们知识的局限性是家长式的，也是不尊重的。正确的做法不是为了避免引起“不必要的恐慌”而隐藏不确定性，而是诚实地沟通它。我们可以解释我们为什么不确定，风险的合理范围可能是什么，以及有哪些保障措施，如独立监督和停止规则，来负责任地管理不确定性。信任不是建立在假装拥有所有答案的基础上，而是建立在对我们所知和所不知的透明和谦逊的承认之上。
从赌场游戏到生物伦理学的前沿，理解风险和不确定性的旅程，是走向一种更诚实、更负责任的世界行为方式的旅程。它教导我们绘制我们的无知地图，区分什么是随机的，什么是未知的，发展规范的分析流程，并以谨慎和尊重的原则为指导。最终，它是在面对不确定的未来时做出明智选择的艺术。
因此，我们花了一些时间在黑板上，探讨了机会的数学和怀疑的逻辑。我们已经看到，概率不仅仅是关于抛硬币，而是关于量化我们自己的无知。但这一切有什么用呢？这些知识是停留在讲堂的稀薄空气中，还是会走出大门，在现实世界中亲身实践？
答案当然是，它无处不在。风险和不确定性的原则不是抽象的学术游戏；它们是人类几乎所有领域中沉默而不可或缺的伙伴，从实验室的安静嗡鸣到全球政策辩论的喧嚣。本章是对它们众多应用领域的一次巡礼。我们将看到这些思想如何帮助一位生物学家决定如何处理一种神秘的新微生物，指导一位试图从灭绝中拯救一个物种的生态学家，告知一位医生和病人在生死抉择中的决策，并在我们思考改造地球时向我们所有人提出挑战。
让我们从最直接、最具体的地方开始：研究实验室。想象你是一名生物学家，你刚刚从一个偏远温泉中分离出一种完全未知的细菌。这是一个激动人心的发现时刻！但紧随其后的是一个源于不确定性的问题：我该如何处理它？它是一种无害的好奇之物，还是一种危险的病原体？
你不知道。面对这种不确定性，指导原则是一条深刻而实用的智慧：你必须小心。你的行动不是基于你希望成真的事实，而是基于你尚不能排除的可能性。这就是预防原则最基本形式的精髓。标准的生物安全实践规定，这种未知生物体必须被当作潜在的中等风险病原体来处理，即在所谓的生物安全二级（BSL-2）条件下操作。这意味着更严格的防护、防护装备和受限的访问。为什么？因为伤害的可能性，即使其概率未知，也需要得到尊重。我们假设存在中等风险，直到我们能够收集证据证明风险更低。。
现代生物学的复杂性为这种谨慎的舞蹈增添了新的层次。假设我们不再处理一个完整的、未知的生物体。相反，我们有两个完全无害的角色：一个充分了解的实验室E. coli菌株和一个来自深海高压环境中非致病微生物的基因。我们决定将这个奇怪的基因插入到我们的实验室细菌中，以产生一种新的蛋白质。宿主和来源都是安全的，所以它们的组合也应该安全，对吗？
没那么快。核心的不确定性只是转移了。我们不知道这个新的遗传指令将构建的蛋白质的功能。它可能是一种强效毒素吗？它可能是一种强力过敏原吗？我们还是不知道。因此，风险评估的规则指导我们以更高的谨慎对待这种工程生物体，通常是在BSL-2级别，直到新型蛋白质的特性被了解清楚。。风险评估不是一个粗糙的工具；它是一种精细的分析，将不确定性追溯到单个分子的水平。
现在，让我们走出实验室，进入更广阔的世界，这里的风险不仅关系到研究人员的安全，还关系到整个物种的生存。一位保护生物学家正在追踪一个数量日益减少的种群，比如说，一种稀有的海龟。他们有过去30年的数据显示种群数量上下波动，但总体上仍在维持。未来50年会发生什么？
天真的方法是画一条线——计算平均增长率并将其延伸到未来。但我们都知道，世界比这更加摇摆不定和不可预测。一条简单的趋势线给你一个单一的、确定性的未来，这几乎肯定是错的。它没有告诉你海龟种群所处的危险程度。
要理解危险，你必须拥抱不确定性。这是一项名为种群生存力分析（Population Viability Analysis, PVA）的强大工具的工作。PVA模型不是预测一个未来，而是在计算机上运行数千次模拟。在每次模拟中，都会为当年的事件“掷骰子”：食物会是丰年吗？会有一场恶劣的风暴来袭吗？雌性孵化的数量会偶然多于雄性吗？每一次模拟都为种群的未来绘制了一条不同的可能路径。
通过运行这数千个“如果……会怎样”的场景，生物学家可以超越“种群数量将会是多少？”这个问题，转而提出一个更重要的问题：“在未来50年的任何时间点，种群数量下降到临界阈值以下——比如20只海龟——的概率是多少？”。这个数字，即准灭绝风险，是简单的趋势线永远无法给出的。它是一种真正的风险度量，源于对随机性的承认。
这些模型可以变得极其复杂，融入不同类型的不确定性。它们可以模拟环境逐年稳定的波动、个体出生和死亡的随机运气（人口统计随机性），以及像严重干旱或新疾病这样的罕见但毁灭性的灾难。它们甚至可以考虑我们自己收集数据中的不确定性。最终的输出不是一个预测，而是一张丰富的可能性地图，使我们能够做出更明智的决策，例如，是为了给物种最好的生存机会，恢复筑巢海滩更有效，还是控制捕食者更有效。。
现在我们将尺度从整个物种缩小到单个人的生命。在这里，风险和不确定性的相互作用变得非常个人化和充满伦理挑战。考虑一种革命性癌症治疗方法的发展，如CAR-T细胞疗法，即对患者自身的免疫细胞进行基因工程改造，以寻找并摧毁其癌症。
这些疗法可以在已经用尽所有其他选择的患者身上产生奇迹般的缓解。但它们也带有巨大的风险——工程细胞可能引发大规模、危及生命的炎症反应。我们如何能合乎伦理地开发和测试如此强大又如此危险的东西？
答案是一个细致、形式化的风险-收益分析过程。“首次用于人体”的临床试验并非盲目尝试；它是一个精心设计的、管理高风险的实验。仁慈（行善）和不伤害（不作恶）的核心伦理原则被转化为具体的方案。被选中的患者是晚期疾病且没有其他可行治疗方案的人——对于他们来说，潜在的益处，无论多么不确定，都超过了巨大的风险。试验的主要目标不是证明疗法有效，而是确定它是否足够安全，以及在何种剂量下安全。
为了管理风险，患者在难以置信的强度下受到监控，通常是在重症监护室（ICU）环境中。医生密切观察毒性的最早迹象，随时准备好急救药物和紧急程序。疗法的设计本身甚至可能包含一个“关闭开关”，比如一个可诱导的安全基因，允许医生在情况变得非常糟糕时消除工程细胞。。在这个领域，风险不是要不惜一切代价避免的东西。它是需要被理解、管理、最小化，并最终由患者勇敢面对的东西，这些患者在危险的希望和确定的命运之间得到了一个清晰的选择。
当我们的技术力量变得如此强大，以至于我们的决策不仅能影响一个病人或一个物种，还能影响整个生态系统，甚至整个地球时，会发生什么？风险和不确定性的伦理演算扩展到了行星尺度，问题变得真正深刻。
想象一种旨在从一场致命流行病中拯救一种极度濒危青蛙的工程真菌。这无疑是一个崇高的目标。但如果实验室研究表明，这种有益的真菌也会对一种数量丰富的本地蜗牛物种造成确定的、尽管非致命的伤害呢？这里我们面临着直接的伦理冲突：仁慈原则（拯救青蛙）与不伤害原则（不伤害蜗牛）相冲突。没有简单的公式可以解决这个问题。它迫使我们进行一场艰难的对话，讨论我们更看重什么：是防止一次灭绝，还是避免一种广泛的、工程化的伤害。。
让我们把赌注再提高一些。一个关键的珊瑚礁，整个海洋生态系统的基础，正因一种入侵性害虫而面临确定的灭绝。我们唯一的希望是一个“基因驱动”——一种旨在通过害虫种群传播并使其不育的基因改造。模型显示它很可能会成功。但模型也显示了一个很小但非零的概率——比如说，五分之一——即基因驱动可能跳跃到另一个无害的物种，而该物种是食物网的关键部分，从而导致第二次、甚至更具灾难性的崩溃。
在这里，我们面临一个选择：要么因不作为而导致确定的毁灭，要么进行一场高风险的赌博。行为功利主义者可能会试图计算预期结果，权衡拯救珊瑚礁的80%机会与摧毁它的20%机会。但另一个框架似乎是为这个困境量身定做的：预防原则。它建议，当一项行动构成貌似可信的、严重的、不可逆转的和广泛的伤害风险时，缺乏充分的科学确定性不是继续进行的理由。举证责任转移到提议行动的一方，要求他们证明其安全性。鉴于可能发生不可逆转的、灾难性的生态崩溃，预防原则为克制提供了强有力的论据，即使这意味着失去珊瑚礁。。
这种重塑生命世界的力量也伴随着同等重要的诚实沟通的责任。当科学家们取得像克隆已灭绝物种这样的突破时，人们很容易宣布战胜了灭绝。但伦理责任恰恰相反：要以不确定性为先导。要明确指出，在实验室里创造一个胚胎，与将一个物种恢复到一个充满新挑战（如破碎的栖息地、缺乏遗传多样性和丧失的行为）的复杂、已改变的世界是不同的。真正的进步不是始于一份胜利的新闻稿，而是始于一场关于未来道路的风险、局限和伦理的诚实公众对话。。
我们的巡礼结束了。我们从一个实验室里科学家的谨慎，走到了管理一个星球的巨大责任。一路上，应对未知未来的工具在复杂性上不断增长：从简单的审慎，到PVA的概率演算，再到风险-收益分析和预防原则的复杂伦理框架。
也许最微妙和重要的一课在于理解我们自身知识的局限性。在风险情境（我们可以自信地为结果分配概率）和深度不确定性情境（专家们自己意见不一，基本模型存在争议）之间存在天壤之别。一篇精彩的分析在新技术（如基因编辑作物）的治理中恰恰强调了这一区别。。当科学基础坚实、风险得到充分量化时，社会听从专家的认知权威是合理的。决策在很大程度上是技术性的。
但是，当我们面临深度不确定性时——当科学尚未定论，存在不可逆转伤害的可能性，专家们自己也无法提供一个单一、可靠的未来图景时——决策就不再是纯粹技术性的了。它从根本上变成了政治和伦理问题。它变成了一个价值观的问题，在这一点上，民主合法性原则要求决策应由那些必须承担后果的人的同意来指导。在这些时刻，找到正确的答案远不如找到正确的决策方式重要——共同决策。
为了帮助我们在这片迷雾中导航，我们发明了新的工具来窥探未来，不是为了预测它，而是为了为它的诸多意外做好准备。像地平线扫描——系统地搜索未来变化的“微弱信号”——和情景规划——想象多个、分歧的未来以测试我们策略的稳健性——这样的方法，是预期性治理的正式艺术。。
最终，对风险和不确定性的深刻理解并不会给我们一个水晶球。它给了我们更有价值的东西：在我们永远无法完全预测的世界中航行的智慧。它使我们具备谦卑，承认我们的无知；具备勇气，在无知面前采取行动；并为我们在黑暗中必须做出的选择提供了一个理性的、伦理的框架。